信用貨幣周期下大類資產配置

摘 要 本文在融合了金融中介理論（信貸、貨幣周期）的美林時鐘框架下，結合VAR向量自回歸預測、LSTM宏觀經濟預測模型，采用Black-Litterman策略進行大類資產配置. 本文以信貸貨幣周期理論基礎，拓展了美林時鐘經濟周期劃分判別準則，將2001年—2021年國內的宏觀經濟運行狀況劃分成不同的經濟狀態. 緊接著，構建了基于LSTM深度學習宏觀經濟預測模型，模擬中國未來五年的經濟增長、通脹、利率（反映貨幣政策松緊程度）等宏觀經濟環境，以及未來四類資產（股票、大宗商品、債券、現金及其等價物）的四個指數收益率. 隨后，本文使用單資產配置、避險配置以及Markowitz夏普比率最大進行資產配置. 但是Markowitz策略缺點是對于預期收益率的輸入比較敏感. 根據前面未來宏觀經濟環境的預測，本文發現未來的經濟狀態的主旋律主要是滯漲和衰退經濟輪動，本文認為由于經濟環境的利率上升和信貸渠道的萎縮導致的流動性下降，現金和大宗商品相對于股票和債券相對而言比較強勢. 為了更好的融入本文對于未來經濟周期的觀點，本文采用Black-Litterman資產配置策略. 最后本文在計算了不同資產配置策略下投資組合的風險收益特征，并結合各自策略特性進行比較與分析.

關鍵詞 美林時鐘；貨幣周期；信貸周期；LSTM；向量自回歸；Black-Litterman

中圖分類號 F832.51 F224.9 文獻標識碼 A

0 引 言

超額收益α一直是投資人們所共同追求的目標，而信息比率（Information ratio，IR）則衡量了投資人們的投資能力，并可以分解為擇時與擇股能力. 區別于擇股能力，資產的大類配置作為擇時能力的體現，很大程度上會決定整個資產組合的業績表現，并且在許多維度上都起到重要作用. 如何在戰略性資產配置的基礎上，騎乘周期變化進行戰術性的資產偏離，提升資產的配置效率，成為了學術界和業界共同的關注焦點[1-5].

本文在融合了金融中介理論（信貸、貨幣周期）的美林時鐘框架下，結合向量自回歸預測、LSTM宏觀經濟預測模型，采用Black-Litterman策略進行大類資產配置. 具體工作從以下幾個方面出發. 將尋找出高頻有效的宏觀經濟指標用于將2001年—2021年國內的宏觀經濟運行狀況劃分成不同的經濟狀態. 通過宏觀經濟模型或其它數學模型模擬中國未來五年的經濟增長、通脹、利率（反映貨幣政策松緊程度）等宏觀經濟環境，并結合現實進行分析. 挑選代表四類資產（股票、大宗商品、債券、現金及其等價物）的四個指數預測大類資產指數各種經濟狀態下的風險收益特征（期望收益，收益率標準差，夏普比率或其它），以及大類資產指數之間的相關性. 基于前文預測出的國內未來五年的宏觀經濟環境，并繼續應用基于LSTM的（季度）資產收益率模型預測出未來五年大類資產的收益率，然后采用不同的資產配置策略來構建投資組合，計算出風險收益特征，選擇最優的資產配置策略.

不同于美聯儲貨幣政策所遵守的泰勒規則. 我國貨幣政策需兼顧包括物價穩定、經濟增長、充分就業、內外平衡、防范金融風險、維護金融穩定等多重目標[6-8]. 不同目標間與貨幣政策間邏輯線條的非線性關系會增加貨幣政策的決策難度，其背后的經濟內涵是傳統美林時鐘所不能覆蓋的. 通過選擇其他觀測變量，縮短邏輯鏈條，有利于更好的觀測經濟周期的輪動，提高對于大類資產預測準確性.

Bernanke在其開創性工作中，揭示了貨幣政策的信用渠道、利率渠道與資產負債表三個渠道對于經濟周期的影響，進一步說明了“金融加速器”的存在對于經濟周期波動的影響，證明了貨幣與信用通過金融系統對于實體經濟波動的杠桿效應[9-13]. 王國靜和田國強利用DSGE模型驗證了金融沖擊是驅動中國經濟周期波動的最主要力量，它在解釋產出增長、投資增長、債務增長、工資增長和就業的波動方面體現出非常重要的作用[14-17]. 即使存在其它多個沖擊，金融沖擊仍然能夠解釋近80%的產出增長波動. 文獻表明，信貸周期和貨幣周期對于經濟的波動和周期變化具有巨大影響和解釋能力[18].

中國貨幣政策與美聯儲有些許不同，我國貨幣政策需要兼顧多個目標，如物價穩定、經濟增長、充分就業、內外平衡、防范金融風險和維護金融穩定等. 這些目標之間及與貨幣政策之間存在非線性關系，增加了貨幣政策決策的難度，這是傳統美林時鐘框架無法涵蓋的經濟內涵.

與傳統美林時鐘相比，本文提出一種拓展美林時鐘框架經濟內涵的方法，即通過引入信用渠道和資產負債表渠道，將產出缺口和通脹預期這兩個美林時鐘框架下的變量，結合信用派生和貨幣周期的金融中介理論，進一步豐富美林時鐘的經濟內涵. 這樣的方法有助于更好地觀測經濟周期的輪動，并提高對大類資產預測的準確性. （圖1為拓展美林時鐘內在機制結構示意圖）

１ 基于美林時鐘改進的經濟狀態識別模型

美林時鐘自提出以來，長期被奉為圭臬，是主流的大類資產配置框架. 但是由于中國與美林時鐘發源地—美國經濟條件的差異，傳統美林投資時鐘在中國的有效性和應用受到質疑. 本文認為美林投資時鐘在本質上是一種經濟周期波動的理論，有其假設前提及邏輯. 我國政策制定框架及流動性具有特殊性，導致其有效性偏低，但不應因此妄下定論認為無效. 根據我國實際情況改良的美林時鐘，依然有較為可觀的準確性. 因此本文將嘗試根據不同的原理框架對美林時鐘進行討論和改進，并最終得出對經濟周期的判斷和劃分.

1.1 美林時鐘簡介

脫胎于1937年《倫敦標準晚報》的投資時鐘，美林投資時鐘理論（以下簡稱“美林時鐘”）由美林證券于2004年《The Investment Clock》中提出. 美林時鐘基于對需求端經濟波動的刻畫，以自上而下的視角進行資產配置，對于發達國家的資本市場具有開創性的指導意義. 與初投資時鐘對經濟周期粗糙的刻畫不同，美林時鐘通過產出缺口（實際產出與潛在產出的差值）和通脹兩個指標來刻畫經濟產出和貨幣供給偏離均衡的程度，以此來捕捉經濟周期的變化趨勢. 從美林投資時鐘的左下方開始，順時針轉動，經濟依次沿“衰退—復蘇—過熱—滯脹”循環輪轉，而債市、股市、大宗商品、現金的收益依次領跑大類資產. 進而根據不同的經濟階段的特征，選擇不同的資產配置策略（見圖2）. 1.2 經濟周期與拐點的識別

美林時鐘對于宏觀經濟波動的識別關鍵步驟在于對經濟周期拐點的判斷. 對經濟周期拐點判斷方法的篩選，一是要看該方法所采取的指標是否符合本國經濟的運行特點，二是要看該方法是否能更好地處理數據上的噪聲，抓住經濟周期的主要變化趨勢.

對于經濟周期拐點判斷的模型，如何區分真正的趨勢與突變產生的宏觀噪聲是一個非常重要的問題. 投資機構一般采用HP濾波方法對經濟增長和通脹指標進行降噪，因此本文也將采用HP濾波方法提取出各經濟周期指數中的趨勢項，通過過濾后的數據變化情況來識別經濟周期的拐點.

值得關注的是，對于經濟指標的選取，不同于原始的美林時鐘中美林證券公司對于經濟周期劃分方法采用的宏觀指標（見表1）和周期判定標準（見表2），中國由于經濟結構和發展程度的不同，導致數據結構和完整程度與美國差異較大. 因此隨著美林時鐘在中國應用的深入，出現了許多對于原美林時鐘指標的簡化指標體系，但是由于并沒有對選取指標的統一標準，因此本文接下來將介紹一系列具有代表性的指標體系，并且著重討論他們的原理方法和特點.

1.3 一致滯后領先指數

美林時鐘建立在三大前提及邏輯基礎上，一是短期經濟圍繞長期經濟趨勢波動，二貨幣政策逆周期調控平抑短期經濟波動，三是經濟周期與貨幣政策相互作用，決定大類資產表現. 基于我國的特殊性和投資時鐘理論的根本意義，應尋找反映經濟增長預期和當前階段資源受限情況的兩組指標來對經濟周期進行劃分.

國家統計局所編制的領先指數包含了包括新開工項目、產銷率、消費者預期等在內的能綜合反映經濟增長預期的指標，滯后指數則包括CPI、居民儲蓄、財政支出在內的能更好表明資源限制體系的指標. 利用這兩組指標進行經濟周期劃分，一方面可以最大程度地利用我國現有數據來反映我國的實際經濟增長預期情況及通脹的預期情況，同時，該指數具有較好的連續性和數據口徑統一性，因此將這兩組指數作為經濟周期拐點判斷的參考指標可以極大地提升判斷經濟周期的準確性. 相對于其他單一指標，先行指數和滯后指數在保留了工業增加值和CPI劃分方法的優點的基礎上，不同程度的彌補了兩個指標的不足，能夠更好的衡量經濟增長預期與通貨膨脹預期之間的聯系，綜合的反映出經濟狀態的全貌.

除此之外，一致指數是反映當前經濟的基本走勢，由工業生產、就業、社會需求（投資、消費、外貿）、社會收入（國家稅收、企業利潤、居民收入）等4個方面合成，充分捕捉了當期經濟結構的共同影響因子.

為了保證結果的穩健性和精確度，本文將在領先和滯后指數上進一步加入一致性指數，觀測當期經濟基本面的變化與經濟增長預期和通貨膨脹預期的關系，進一步精確對于周期的判別與劃分（見圖3）.

1.4 拓展的美林時鐘周期的經濟劃分

本文選取了如下指標進行拓展的美林時鐘周期的判別基礎：

貨幣：不同于美聯儲以利率作為中間目標，我國央行的貨幣政策的中間目標為貨幣發行量. 貨幣發行量在一定程度上可以反映貨幣周期的變化，因為狹義流動性的松緊并不涉及到銀行系統的貨幣派生的影響. 即通過典型的貨幣政策轉向操作，判斷貨幣松緊意圖的轉變，作為定性判斷.

信用：Bernanke對于貨幣政策信貸渠道的研究更加關注“外部融資溢價”（即Baa級投資級企業債券與相同期限結構政府債券的利率之差）[19-20]，強調金融摩擦的概念. 拓展的美林時鐘的框架考察的中心更偏向于反映周期和趨勢的信用派生總量. 因此使用社會融資總量數據，涵蓋了主要的銀行系統的信用派生渠道，可以作為衡量廣義流動性松緊的主要指標.

本文參考社會融資增速與M2增速，判斷信用周期走勢. 同時為了判斷貨幣政策的松緊程度，本文將參考收益率曲線指標，來判斷短期利率的相對變動，以對貨幣周期有一個更加清晰地刻畫. 由于數據限制，利率曲線指標并不能在全樣本中展現.

以下為基于貨幣周期可信貸周期所刻畫的經濟波動，以及判別規則（見圖4、表3）：

2 基于LSTM深度學習宏觀經濟預測模型

2.1 LSTM模型簡介

Hochreiter和Schmidhuber首次提出了長短時間記憶（LSTM）模型[17]. LSTM被用于解決RNN在隨時間反向傳播中權重消失的問題. LSTM引入了三個門控單元，包括遺忘門（ft，Forget Gate）、輸入門（it，Input Gate）、輸出門（ot，Output Gate），和一個記憶細胞Cell用于存儲信息. 三個門控單元的功能由sigmoid函數和點乘運算實現，門控單元不會提供額外的信息，只負責篩選信息通過量.

2.2 宏觀指標特征工程及網絡結構設計

本文選取了7個指標判定經濟環境（見表4），并且通過特征工程將原始數據轉化成更好的表達問題本質的特征，提高對不可見數據的模型預測精度. 特征工程的構建需要了解變量之間的作用機制. 根據中國的實際國情，本文在新凱恩斯主義的框架中解釋宏觀變量之間相互作用的機制.

宏觀經濟的狀態除卻實體經濟本身的產出和基本面的影響（GDP和一致指數），同時經濟波動也會受到經濟預期的影響并且呈現出一定的自我實現的特征（經濟狀態）. Diamond[15]和Bernanke[13]對于金融中介理論的工作證明了貨幣政策在長期的非中性（CPI），貨幣政策的信貸渠道通過金融加速器對于經濟的重大影響. 數字經濟的飛速發展和快速普及更是強化了信貸機制的重要影響力[5]. 基于此，本文認為貨幣周期和信貸周期也是經濟中影響的重要變量（M2和社會融資規模）.

最重要的是，利率是聯系以上全部理論和變量的協調機制，無論是資本市場還是產品市場最終通過利率出清，相對于10年期國債和SHIBOR，7天回購利率能夠更好的反映銀行系統的風險溢價，更好的契合金融中介理論，并且難以操縱，可以作為整個中國宏觀經濟的基準利率. 本文結合中央政府的匯率目標和處于簡化分析的立場，并且經濟波動主要受到內部的貨幣政策及其衍生渠道的影響，并無另外考慮匯率的影響.

至此，本文對于模型特征工程的變量已經選擇完畢，但是由于宏觀變量間的非線性特征和時變波動，下文將進一步構建神經網絡模型模型以用于預測. 下圖是LSTM深度學習宏觀經濟預測模型結構是示意圖

2.3 基于LSTM深度學習資產收益率預測模型

基于上面預測模型，可以得到未來五年中國宏觀經濟環境指標狀態，為了對未來大類資產進行配置，本文繼續使用結合模型，在未來五年宏觀經濟環境的基礎上，去預測未來五年大類資產的季度收益率.

經嘗試，本文使用未來20個季度的歷史數據來訓練LSTM，同時設置隱含神經元數量為64. 此外，本文繼續基于前文宏觀環境的特征作為資產收益率預測模型的特征工程（圖6）.

3 融入經濟周期觀點Black-Litterman策略

在Markowitz均值方差模型中，投資者對標的資產的超額收益率的協方差矩陣有一個基于歷史的、較好的估計Σ，并假設資產收益率服從以下正態分布：N（μ，Σ）.

在實踐中對期望收益率的估計常常伴隨著很大的不確定性和風險，因此BL模型將本身也視作為一個隨機變量，并通過引入期望收益率的市場均衡分布和投資者主觀觀點，在貝葉斯準則的框架下將得到對資產期望收益率分布的新的估計.

具體而言，BL模型使用貝葉斯方法將投資者對于一個或多個資產的預期收益的主觀觀點與先驗分布下預期收益的市場均衡向量相結合，形成關于預期收益的新的估計；基于后驗分布的新的收益向量，可以看成是投資者觀點和市場均衡收益的加權平均（圖7、圖8）.

4 算例分析

為驗證本文所提模型的科學性和可靠性，本文實驗使用基于2001年—2021A股大類資產指數，（股票選擇滬深300，大宗商品選擇南華商品，債券選擇中債財富一年指數，現金使用貨幣基金收益率）作為數據集，先使用拓展了美林時鐘經濟周期劃分判別準則，來將2001年—2021年國內的宏觀經濟運行狀況劃分成不同的經濟狀態. 緊接著，應用基于LSTM深度學習宏觀經濟預測模型，以VAR預測模型作為對比模型，模擬中國未來五年的經濟增長、通脹、利率（反映貨幣政策松緊程度）等宏觀經濟環境，以及未來四類資產（股票、大宗商品、債券、現金及其等價物）的四個指數收益率. 最后，引入融入經濟周期觀點Black-Litterman策略進行大類資產配置.

4.1 經濟周期定性劃分結果

以下是本文基于拓展美林時鐘背后的邏輯，結合一致性指數對于2001至2022年間周期的劃分（見表5）：

4.2 宏觀經濟環境預測效果與驗證

本文選擇預測季度宏觀指標，選擇2002年3月到2022年6月份的宏觀指標作為全部數據. 以2002年3月到2020年3月作為訓練數據，2020年6月到2022年6月，共八個季度作為測試集，計算指標預測的準確率作為評估指標. 并且本文應用了基于VAR向量自回歸宏觀預測模型，旨在對等M2、GDP、社會融資規模、一致景氣指數等多種金融時間序列進行預測，對比兩種模型的預測效果，選擇最優的預測模型.

下面是部分宏觀指標預測的結果可視化（見圖9）和各個指標與真實值的準確率（見表6表7）.

通過對比VAR模型的預測結果的可視化和準確率，本文可以發現LSTM模型預測出來的宏觀指標在測試集的預測率具有較高的準確率.

全球化的深化使得全球各國之間的經濟緊密聯系，這也意味著在分析國內經濟形勢的過程中，必須基于一個開放經濟的視角進行解讀. 本文就國內基本面出發，中美雙邊關系，西歐經濟狀況，以及地緣政治沖擊等多個角度出發，對預測結果進行更進一步的解讀.

得益于我國全產業工業體系的強大支撐以及政府較為靈活的結構性貨幣政策，經濟基本面基本維持穩定，顯示出了一定的經濟韌性. 受制于對于房地產“松綁”和寬松的貨幣政策會引起實體經濟泡沫化的擔憂，央行寬松的貨幣政策也逐漸退出市場，CPI在整體上有著一個較為溫和的上升趨勢，國內通貨膨脹尚且可控. 回購利率的上升和社會融資規模的萎縮，代表著銀行體系的風險上升，外部融資溢價上升. 對于信用周期的下行，可能的解釋為疫情的不確定性所導致的生產中斷，使得風險反向傳遞到了銀行體系，致使信貸渠道的萎縮，在一定程度上解釋了經濟周期的主要波動模式. 除此之外，不確定性所帶來的總需求端的預期慣性下調、消費欲望萎靡對經濟帶來的不小的下行壓力.

中美關系的重要性不僅是兩國意義上的，更是全球意義上的. 根據《聯邦儲備法》，美聯儲以利率作為貨幣政策的中間目標，以達到維持就業穩定、適度的通貨膨脹和維持舒適的長期利率水平三大目標，美聯儲的使命很大程度上解釋了其在疫情后的政策導向. 作為一個堅定的抗通脹衛士，在非常規貨幣政策——前瞻性指引的失效后，美聯儲通過大幅加息試圖緩解通貨膨脹，導致了美元的大幅度升值，并且在經濟尚未恢復的全球各國中形成了輸入性通貨膨脹；同時利率的大幅上升極有可能會導致美國經濟“軟著陸”失敗，使得未來幾年經濟陷入衰退. 在美元升值的浪潮中，人民幣兌美元僅貶值30%左右，這代表著人民幣成為了少數的強勢貨幣之一. 物美價廉的中國商品將能夠很好的緩解美國國內的通貨膨脹，將極其有利于中國的出口增長，同時中國雄厚的外匯儲備也給予了我國央行預防輸入性通貨膨脹的信心.

歐美國家面臨著通貨膨脹、貨幣貶值和需求疲軟等多重沖擊，尤其是地緣政治沖擊迫使歐洲在短期中進行能源轉型更進一步加劇了經濟衰退的壓力. 但是對于中國企業而言卻是一個可以增加技術累計和直接對外投資的戰略窗口.

以俄烏戰爭為典型的地緣政治是經濟趨勢變動過程中最大的不確定性來源. 不確定性的加劇會引發社會成本的上升和各經濟體間的對抗.

總而言之，中國的經濟下行壓力加大，但是在挑戰中存在著隱隱機遇.

4.3 融入經濟周期觀點Black-Litterman策略

（1） 本文先使用單資產配置、避險配置以及Markowitz夏普比率最大進行資產配置. 但是Markowitz策略缺點是對于預期收益率的輸入比較敏感. 根據前面未來宏觀經濟環境的預測，本文發現未來的經濟狀態的主旋律主要是滯漲和衰退經濟輪動，本文認為由于經濟環境的利率上升和信貸渠道的萎縮導致的流動性下降，現金和大宗商品相對于股票和債券相對而言比較強勢. 為了更好的融入本文對于未來經濟周期的觀點，本文采用Black-Litterman資產配置策略.

（2） 經濟周期觀點根據上文對于未來5年經濟環境的預測，貨幣政策的逐漸退出、回購利率總體上升反映著銀行風險的上升，信貸渠道萎縮，可以看出未來的經濟周期是以滯漲期為主的經濟狀態. 因此資產的戰略性配置應該以滯漲期的資產風險特征為基礎. 貝葉斯框架下的Black-Litterman，通過使用新息收益率來表達投資者對于投資標的收益率相對強弱的主觀判斷（稱為views）. 本文認為在滯漲期和衰退為主旋律的經濟輪動中，由于經濟環境的利率上升和信貸渠道的萎縮導致的流動性下降，現金和大宗商品相對于股票和債券相對而言比較強勢.

因此本文有足夠的理由認為在主觀上，現金和大宗商品的組合會相對而言表現得更加優秀，相對的超額預期收益率可達5%. 因此可以在K×N的信息矩陣P中對于四類大類資產賦予主觀權重（K表示觀點個數，N表示標的資產個數），并且使用K階向量Q表示標的收益率的相對強弱. 因此可以避免經典均值-方差理論中局部資產預期收益率的變化影響整體組合權重的配比的情況.

信息觀點P＝[－1，0.25，0.35，0.4]

相對強弱Q＝[0.05]

BL最優策略權重[0.002 5" 0.587 1" 0.208 4" 0.202]

（3） 資產策略結果比較與風險收益特征

通過大類資產不同資產策略結果，可以發現本文所引入基于經濟周期觀點的BL資產配置策略以相對小的波動率獲得到了較高的期望收益率報酬，從而也驗證了本文所提方法的有效性.

5 結 語

本文在融合了金融中介理論（信貸、貨幣周期）的美林時鐘框架下，結合向量自回歸預測、LSTM宏觀經濟預測模型，采用Black-Litterman策略進行大類資產配置. 經濟狀態的劃分關鍵在于經濟大周期和拐點的識別. 本文基于美林時鐘改進的經濟狀態識別模型，從定性的角度出發，融入了CPI與工業增加值、股票商品比、商品債券比、收益率曲線、一致滯后領先指數指標，以及從貨幣周期和信貸周期的角度對2001-2021年宏觀經濟狀態進行定性的劃分成衰退、復蘇、過熱、滯漲四個經濟周期. 然后，本文認為模擬出中國未來五年的宏觀經濟環境是一種金融時間序列預測問題，選擇了M2，GDP，社會融資規模，一致景氣指數，CPI，經濟狀態，7天逆回購率作為宏觀環境識別特征，通過模型訓練，對比前面的VAR模型預測結果，本文發現LSTM具有更高準確率，這也說明了LSTM宏觀經濟模型對于宏觀經濟變量的時變波動和非線性漸變趨勢的有效捕捉. 本文為了驗證美林時鐘經濟周期策略配置的有效性，先使用單資產配置、避險配置. 然后使用了Markowitz夏普比率最大進行資產配置. 但是Markowitz策略缺點是對于預期收益率的輸入比較敏感. 根據前面未來宏觀經濟環境的預測，發現未來的經濟狀態的主旋律主要是滯漲和衰退經濟輪動，本文認為由于經濟環境的利率上升和信貸渠道的萎縮導致的流動性下降，現金和大宗商品相對于股票和債券相對而言比較強勢. 為了更好的融入本文對于未來經濟周期的觀點，文章采用Black-Litterman資產配置策略. 最后本文在計算了不同資產配置策略下投資組合的風險收益特征，并結合他們自己策略特性進行比較與分析.

參考文獻

[1]" 次必聰，張品一. 基于ARIMA-LSTM模型的金融時間序列預測[J]. 統計與決策，2022，38（11）：145-149.

[2]" 杜清源，龔六堂. 帶“金融加速器”的RBC模型[J]. 金融研究，2005（4）：16-30.

[3]" 郜哲. 基于投資時鐘原理的中國大類資產配置研究與實證[J]. 河北經貿大學學報，2015，36（3）：49-54.

[4]" 胡永剛，劉方. 勞動調整成本、流動性約束與中國經濟波動[J]. 經濟研究，2007，42（10）：32-43.

[5]" 雷海波. 數字征信是否改善了信貸使用？——基于中國縣域數據的實證研究[J]. 南方金融，2021（10）：37-48.

[6]" 呂朝鳳，黃梅波. 習慣形成、借貸約束與中國經濟周期特征——基于RBC模型的實證分析[J]. 金融研究，2011（9）：1-13.

[7]" 歐陽紅兵，黃亢，閆洪舉. 基于LSTM神經網絡的金融時間序列預測[J]. 中國管理科學，2020，28（4）：27-35.

[8]" 任澤平，方思元，梁珣. 改良的中國投資時鐘：周期輪動和大類資產表現[EB/OL]. [2023-06-05].https：//mp.weixin.qq.com/s/Xp2k48XoACtWE18GHzfD-A.2021-03-04.

[9]" 王國靜，田國強. 金融沖擊和中國經濟波動[J]. 經濟研究，2014，49（3）：20-34.

[10]" 張燃. 信用價差變化的決定因素——一個宏觀視角[J]. 當代財經，2008（9）：62-67+83.

[11]" ANSON M J P. Strategic versus tactical asset allocation[J]. The Journal of Portfolio Management，

2004，30（2）：8-22.

[12]" BERNANKE B S，BOIVIN J，ELIASZ P. Measuring the effects of monetary policy：a factor-augmented vector autoregressive（FAVAR）approach[J]. The Quarterly Journal of Economics，2005，120（1）：387-422.

[13]" BERNANKE B S，GERTLER M. Inside the black box：The credit channel of monetary policy

transmission[J]. The Journal of Economic Perspectives，1995，9（4）：27-48.

[14]" BLACK F，LITTERMAN R. Global portfolio optimization[J]. Financial Analysts Journal，1992，48（5）：28-43.

[15]" DIAMOND D W. Financial intermediation and delegated monitoring[J]. The Review of Economic Studies，1984，51（3）：393-414.

[16]" HE Y，LI J M，RUAN S M，et al. A hybrid model for financial time series forecasting-integration of

EWT，ARIMA With the improved ABC optimized ELM[J]. IEEE Access，2020，8：84501-84518.

[17]" HOCHREITER S，SCHMIDHUBER J. Long short-term memory[J]. Neural Computation，1997，9（8）：1735-1780.

[18]" IBBOTSON R G，KAPLAN P D. Does asset allocation policy explain 40，90，or 100 percent of

performance？[J]. Financial Analysts Journal，2000，56（1）：26-33.

[19]" SIMS C A. Macroeconomics and reality[J]. Econometrica：Journal of the Econometric Society，1980：1-48.

[20]" TAYLOR G W. Composable，distributed-state models for high-dimensional time series[M]. Toronto：University of Toronto，2009.

Major Asset Allocation under the Credit Monetary Cycle

MIAO Zhiwei， HUANG Guowen

（Department of Mathematics， Shantou University， Shantou 515063， Guangdong， China）

Abstract" In this paper， Black-Litterman strategy is adopted for asset allocation under the Merrill Lynch clock framework that integrates financial intermediation theory （credit and money cycle）， combined with VAR vector autoregressive forecasting and LSTM macroeconomic forecasting model. Based on the theory of credit and money cycle， the classification criterion of Merlin clock economic cycle is expanded， so as to divide the domestic macroeconomic operation status into different economic states from 2001 to 2021. A deep learning macroeconomic forecasting model based on LSTM is constructed to simulate China？蒺s macroeconomic environment in the next five years， including economic growth， inflation， interest rate （reflecting the degree of monetary policy tightening）， as well as four index yields of four types of assets （stocks， commodities， bonds， cash and their equivalents）. Finally， single asset allocation， hedge allocation and Markowitz Sharpe ratio maximum is used for asset allocation. However， Markowitz strategy is sensitive to the input of expected rate of return. According to the previous prediction of the future macroeconomic environment， this paper finds that the main theme of the future economic state is stagflation and recession economic rotation. This paper believes that due to the rise of interest rates in the economic environment and the decline of liquidity caused by the contraction of credit channels， cash and commodities are relatively strong compared with stocks and bonds. In order to better fit into this paper？蒺s views on future economic cycles， Black-Litterman asset allocation strategy is adopted. Finally， this paper calculates the risk-return characteristics of the portfolio under different asset allocation strategies， and combines them with their own strategy characteristics for comparison and analysis.

Keywords" Merrill Lynch clock; money cycle; credit cycle; LSTM; VAR; Black-Litterman

收稿日期：2023 - 06 - 13

作者簡介：繆智偉（2000—），男（漢族），福建廈門人，研究方向：深度學習. E-mail：20zwmiu@stu.edu.cn